Tóm tắt Luận án Tiến sĩ Nhận dạng và điều khiển hệ phi tuyến có trễ dùng mô hình Fuzzy nhiều lớp kết hợp giải thuật tính toán mềm

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (3.43 MB, 26 trang )

ĐẠI HỌC QUỐC GIA TP. HỒ CHÍ MINH
TRƯỜNG ĐẠI HỌC BÁCH KHOA

CAO VĂN KIÊN

NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ PHI TUYẾN CĨ TRỄ DÙNG MƠ
HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI THUẬT TÍNH TỐN MỀM

Ngành: Kỹ Thuật Điều Khiển & Tự Động Hóa
Mã số ngành: 62520216

TĨM TẮT LUẬN ÁN TIẾN SĨ

TP. HỒ CHÍ MINH - NĂM 2021

Cơng trình được hồn thành tại Trường Đại học Bách Khoa – ĐHQG-HCM

Người hướng dẫn 1: GS. TS. Hồ Phạm Huy Ánh
Người hướng dẫn 2:

Phản biện độc lập 1:
Phản biện độc lập 2:

Phản biện 1:
Phản biện 2:
Phản biện 3:

Luận án sẽ được bảo vệ trước Hội đồng đánh giá luận án họp tại
...............................................................................................................................
...............................................................................................................................

vào lúc
giờ
ngày
tháng
năm

Có thể tìm hiểu luận án tại thư viện:
- Thư viện Trường Đại học Bách Khoa – ĐHQG-HCM
- Thư viện Đại học Quốc gia Tp.HCM
- Thư viện Khoa học Tổng hợp Tp.HCM

CHƯƠNG 1

GIỚI THIỆU

Hệ phi tuyến có trễ là một hệ phi tuyến với các đặc tính trễ [64], các đặc tính
này gây khó khăn cho việc nhận dạng [65] và khó khăn trong việc điều khiển
với các phương pháp yêu cầu biết phương trình toán của đối tượng.
Từ khi Zadeh giới thiệu về mô hình Fuzzy năm 1965 [12], đã có rất nhiều
nghiên cứu trong lĩnh vực này. Mô hình Fuzzy được áp dụng trong rất nhiều
lĩnh vực như y học, kỹ thuât, tài chính, thống kê,... [13]–[15]. Trong chuyên
ngành điều khiển thông minh, giải thuật fuzzy đã ứng dụng thành công trong
điều khiển, nhận dạng, phân lớp, phân nhóm,…[14], [16]–[20].
Hiện tại, có rất nhiều nghiên cứu về lĩnh vực nhận dạng với đủ các cách tiếp
cận từ kinh điển tới những cách ứng dụng giải thuật thông minh, như mạng thần
kinh nơ ron[21], hay mơ hình Fuzzy [4], [22]. Một trong những vấn đề của lĩnh
vực nhận dạng thông minh chính là mô hình phi tuyến nhiều ngõ vào, nhiều
ngõ ra (MIMO) bởi vì sự phức tạp và nhiều yếu tố không chắc chắn. Đặc biệt
khi áp dụng mô hình Fuzzy trong nhận dạng, đối với các bài toán yêu cầu độ

phức tạp cao, nhiều ngõ vào thì số lượng luật mờ phải nhiều, từ đó làm tăng
khối lượng tính toán của hệ thống. Đó là một trong các điểm yếu của mô hình
Fuzzy truyền thống khi áp dụng vào nhận dạng các hệ MIMO [23]–[25]. Để
khắc phục các nhược điểm đó, rất nhiều phương pháp được đưa ra bởi các nhà
khoa học như trong các bài báo [24], [26]–[29] sử dụng mô hình Hierarchical
Fuzzy để giảm số lượng luật mờ, nhưng vẫn còn nhiều hạn chế. Từ đó, tác giả
có ý tưởng đưa ra một cấu trúc Fuzzy mới có khả năng ứng dụng trong bài toán
nhận dạng và điều khiển hệ thớng.
Mơ hình MIMO phi tún rất khó để nhận nhận dạng dựa vào các quan hệ toán
học. Để khắc phục nhược điểm đó cũng như lợi dụng khả năng tính toán của
máy tính, các công cụ tính toán tối ưu như GA, PSO đã được áp dụng trong
việc nhận dạng các mô hình nhận dạng thông minh như mạng nơ ron hay mơ
hình Fuzzy [30]–[34]. Tuy nhiên các giải thuật GA, PSO đều có những thế
mạnh và hạn chế như thuật toán PSO [35], [36] thì đơn giản, dễ lập trình, nhưng
1

dễ bị rơi vào cực trị cục bộ, GA [37]–[39] cho kết quả toàn cục tốt, nhưng mất
nhiều thời gian tính toán. Trong những năm gần đây, logic mờ, mạng nơ ron
nhân tạo và thuật toán tối ưu tiến hóa là các phương pháp bổ sung cho nhau
trong việc thiết kế và thực thi các bộ điều khiển thông minh nhằm phát huy các
ưu điểm và giảm thiểu khuyết điểm của từng phương pháp. Gần đây, giải thuật
DE [40] được R. Storn và K. Price phát triển năm 1997 đã trở nên phổ biến
trong lĩnh vực tính toán tối ưu. Giải thuật DE cho kết quả tối ưu toàn cục, có
thời gian tính toán ít hơn so với GA và đưa ra các kết quả tìm kiềm toàn cục tốt
hơn PSO [41]–[43]. Hơn nữa, việc áp dụng mô hình Fuzzy/Nơ ron vào nhận
dạng mô hình có thể học luôn cả đặc tính trễ của hệ thống. Vì thế trong luận án
này, tác giả chọn giải thuật DE được áp dụng cho việc tối ưu mô hình Fuzzy
ứng dụng cho bài toán nhận dạng mô hình MIMO phi tuyến.
Giải thuật điều khiển hệ phi tuyến gần đây tập trung vào các bài toán điều khiển

thích nghi ứng dụng mô hình Fuzzy, Nơ ron [44]–[49]. Tuy nhiên các giải thuật
thích nghi hiện nay đều chưa quan tâm đến giai đoạn khởi động, các tham số
khởi tạo ban đầu đều được khởi tạo ngẫu nhiên.
Cùng với sự tiến bộ của khoa học kỹ thuật, phần cứng ngày càng phát triển, các
giải thuật điều khiển ứng dụng, các giải thuật tính toán tối ưu cũng được quan
tâm nghiên cứu ngày một nhiều [21], [50]–[55], đặc biệt là ứng dụng mô hình
Fuzzy, Nơ ron vào trong các bài toán điều khiển kết hợp các giải thuật tối ưu
[56]–[63]. Tuy nhiên, hạn chế của các cách tiếp cận này ở khâu chứng minh ổn
định của hệ thống, chỉ có thể chứng minh qua khảo sát thực nghiệm, hoặc trên
môi trường lý tưởng.
Từ các vấn đề trên, tác giả cũng sẽ phát triển giải thuật điều khiển dựa trên mô
hình Fuzzy mới được đề xuất, kết hợp với các giải thuật tính toán mềm và đưa
ra được ít nhất một cách chứng minh tính ổn định của hệ thống điều khiển dựa
trên lý thuyết ổn định Lyapunov trong quyển luận án này.

2

CHƯƠNG 2
2.1

CƠ SỞ LÝ THÚT

THUẬT TỐN TIẾN HĨA VI SAI

Giải thuật DE [40] được đề xuất lần đầu năm 1995 bởi Prince và các cộng sự
được áp dụng nhiều trong nhận dạng hệ phi tuyến những năm gần đây [21],
[50], [84]–[86], [88], [112], giải thuật bao gồm các bước sau:
•

Khởi tạo: Quá trình khởi tạo NP cá thể ngẫu nhiên trong quần thể, mỗi

cá thể mang một lời giải khác nhau các cá thể được khởi tạo ngẫu nhiên trong

X i ,G = [ x1,i ,G , x2,i ,G ,..., xD ,i ,G ]

phạm vi tìm kiếm được chọn trước.

(1)

Trong đó G là sớ lượng vịng lặp (thế hệ), G = 0, 1 …, Gmax và i = 1, 2 …, NP,
D là sớ lượng cá thể trong q̀n thể.
•

Đợt biến: Quá trình đột biến tạo ra các cá thể mới bằng cách nhân thêm

một hệ số giữa sự sai khác hai cá thể trong quần thể để tạo ra cá thể mới. Với
mỗi cá thể xi ,G (target), cá thể đột biến vi ,G (donor) được tạo ra với công thức
sau: vi ,G +1 = xr1 ,G + f .( xr2 ,G − xr3 ,G )

(2)

Với các giá trị ngẫu nhiên r1 , r2 , r3 1, 2,..., NP . F là một hệ số dạng số thực
f  [0, 2] .

•

Lai ghép: Sau khi tạo ra các vector giá trị từ khâu đột biến, khâu lai

ghép sẽ thực hiện nhiệm vụ tạo ra tổ hợp các cá thể con mới ui ,G (trial) trong

quần thể. Cá thể con được tạo ra bằng cách lựa chọn chính nó xi ,G (target) hoặc
với cá thể đột biến vi ,G (donor):
v j ,i ,G If (rand j ,i [0,1]  cr )
u j ,i ,G = 
 x j ,i ,G otherwise
•

(3)

Chọn lọc: Q trình chọn lọc qút định cá thể nào sẽ tiếp tục tồn tại

trong thế hệ G+1 tiếp theo. Cá thể được chọn xi ,G (target) sẽ so sánh chất lượng
với cá thể con sau quá trình lai ghép ui ,G (trial) cá thể có chất lượng cao hơn sẽ
tồn tại.:
X i ,G +1 =

•

U i ,G

 X i ,G

If

f (U i ,G )  f ( X i ,G )

(4)

otherwise

Kết thúc: Đây là điều kiện kết thúc vòng lặp của giải thuật DE. Vòng lặp
chỉ kết thúc khi một trong các điều kiện sau thoả mãn:
3

+ Sớ vịng lặp đạt tới giới hạn được cho trước.
+ Khi giá trị fitness đạt được tốt hơn hoặc bằng giá trị mong muốn.
+ Khi giá trị fitness tốt nhất không thay đổi sau một số lần lặp cho trước.

Hình 2.1 Lưu đồ giải thuật thuật toán DE
2.2 Bộ Điều khiển trượt
Mô hình toán tổng quát của hệ phi tuyến SISO n bậc được mô tả như sau:
x

(n)

= f ( X , t ) + g ( X , t )u

y=x

(5)

Trong đó f ( X , t ) và g ( X , t ) là 2 hàm phi tuyến chưa biết; g ( X , t ) không
T

âm; X =  x, x,...x ( n −1)  là các biến trạng thái của hệ thống; u là tín hiệu điều
khiển y là ngõ ra cần khảo sát. Bài toán đặt ra là cần thiết kế một bộ điều khiển
ổn định cho biến trạng thái x bám theo tín hiệu đặt xd. Sai số bám:
e = x − xd
(6)

Mặt trượt được chọn như phương trình (7):

s = c1e + c2e + ... + cn −1e( n − 2) + e( n −1)

(7)

Trong đó c =  c1 , c2 ,...cn −1 ,1 là các hệ số được chọn thỏa phương trình Routh–
Hurwitz để bảo đảm tính ổn định. Giá trị s là đạo hàm của s được tính như sau:
n −1

s =  ci e(i ) + x ( n ) − xd( n )

(8)

i =1

Để hệ thống ổn định, thì tín hiệu điều khiển phải đảm bảo:

( s )  −K s
2 dt

1 d

2

Chọn giá trị của s thỏa phương trình: s = − Ksign ( s )

(9)
(10)

Thay phương trình (10) vào phương trình (8), luật điều khiển sliding mode có
thể viết như sau:

4

uSMC =

 − n −1 c e( i ) − f ( X , t) + x ( n ) − Ksat ( s ) 
i
d

g ( X , t )  i =1
1

(11)

CHƯƠNG 3 NHẬN DẠNG HỆ PHI TUYẾN DÙNG MƠ HÌNH FUZZY
NHIỀU LỚP
3.1 Giới thiệu
Chương 3 giới thiệu về kỹ thuật nhận dạng mô hình áp dụng mô hình Fuzzy
nhiều lớp. Trong chương 3, kỹ thuật nhận dạng mô hình được áp dụng để nhận
dạng mô hình thuận, mô hình các hệ bồn nước đôi liên kết và mô hình cánh tay
máy PAM song song.
Tiếp theo đó, giải thuật nhận dạng ghép tầng được áp dụng để nhận dạng hệ
bồn nước, kết quả mô phỏng và thực nghiệm cho thấy các ưu điểm của mô hình
Fuzzy nhiều lớp trong nhận dạng và khả năng của giải thuật huấn luyện ghép
tầng trong việc nhận dạng mô hình Fuzzy nhiều lớp đề xuất.
Kết quả của chương 3 còn được đăng trên các bài báo [1a], [5a], [6a], [8a], và
[10a].

3.2 Mô hình Fuzzy nhiều lớp trong kỹ thuật nhận dạng
Mơ hình Fuzzy nhiều lớp nhận dạng mô hình phi tuyến đa biến MIMO bao gồm
nhiều khối mô hình Fuzzy nhiều lớp MISO kết hợp lại, mỗi mô hình Fuzzy
nhiều lớp MISO thể hiện mợt ngõ ra của mơ hình.
Hình 3.1. Mơ hình Fuzzy
nhiều lớp
Với M là sớ lượng mơ hình
Fuzzy T-S được dùng trong
khối mô hình Fuzzy nhiều lớp
MISO. Mỗi khối Fuzzy T-S
bao gồm 2 ngõ vào, một ngõ
ra. Mỗi ngõ vào có 3 hàm liên
thuộc dạng tam giác. Ngõ ra
mô hình Fuzzy T-S là mợt
5

hằng số (simpleton). Như vậy, một mô hình Fuzzy T-S bao gồm 9 luật và 6 giá
trị để chỉnh cấu trúc hàm liên tḥc, tổng cợng có 15 biến.
.

σ1

σ3

σ3

m1

m2

m3

Hình 3.2. Hàm liên thuộc ngõ vào của mơ hình Fuzzy T-S
Việc sử dụng 3 hàm liên thuộc cho ngõ vào để đơn giản hoá tính toán, đảm bảo
tính phi tuyến vừa đủ với một mô hình Fuzzy T-S. Đối với bài toán phức tạp
hơn, cấu trúc mô hình Fuzzy T-S vẫn được giữ ngun, chỉ cần tăng sớ lượng
mơ hình Fuzzy T-S trong cấu trúc Fuzzy nhiều lớp.
3.3

Nhận dạng mơ hình hệ bồn nước đôi liên kết
Ký hiệu
A1
A2
A3
A4
b1
b2
b3
b4
C
g
K
1

Ý nghĩa vật lý
Đường kính trong của Bể 1
Đường kính trong của Bể 2
Đường kính trong của Bể 3
Đường kính trong của Bể 4

Đường kính ớng thốt của Bể 1
Đường kính ớng thốt của Bể 2
Đường kính ớng thốt của Bể 3
Đường kính ớng thốt của Bể 4
Hệ sớ dẫn lưu của ngõ ra
Gia tớc trọng trường
Hằng sớ bơm
Tỉ sớ dịng chảy Bể 1 với dịng chảy Bể 4

Giá trị [đơn vị]
16.619(cm2)
16.619(cm2)
16.619(cm2)
16.619(cm2)
0.5027(cm2)
0.3318(cm2)
0.5027(cm2)
0.3318(cm2)
0.8
981(cm/s2)
6.94(cm3/(s.V))
70(%)

2

Tỉ sớ dịng chảy Bể 2 với dịng chảy Bể 3 65(%)

Hình 3.3. Cấu trúc mơ hình bồn nước liên kết đơi và thông số
Mô hình bồn nước liên kết được xây dựng dựa trên mô hình bồn nước đôi của
Quanser [113]. Cảm biến áp suất MPX10 của hãng Freescale để đo áp suất sau

6

đó nội suy ra độ cao của mực nước trong bồn chứa. Động cơ 24V lưu lượng 10
lít/phút được sử dụng làm động cơ bơm 1 và động cơ bơm 2.
3.3.1

Thu thập dữ liệu vào ra

Để nhận dạng hệ bồn nước ứng dụng mô hình Fuzzy nhiều lớp, đầu tiên cần
phải thu thập dữ liệu từ mô hình thực. Dữ liệu được thu thập với thời gian lấy
mẫu 0.1 giây. Dữ liệu dùng nhận dạng được thể hiện như ở Hình 3.4. Giá trị
điện áp ngõ vào có giá trị từ 7.5V đến 15V, các giá trị ngõ vào thay đổi theo
chu kỳ 10 giây. Dữ liệu bao gồm giá trị điện áp cấp cho động cơ bơm 1, động
cơ bơm 2 và mực nước đo từ các bồn thứ 2 và bồn thứ 4. Dữ liệu từ cảm biến
có nhiễu với phương sai lớn, khi áp dụng thực nghiệm, dữ liệu được qua một bộ
lọc Kalman để lọc nhiễu.
Dữ liệu dùng đánh giá mơ hình thể hiện trên Hình 3.5. Đó là một tập dữ liệu
khác tập dữ liệu dùng trong huấn luyện, giá trị ngẫu nhiên điện áp ngõ vào từ
7.5V đến 15V.

Hình 3.4. Dữ liệu huấn luyện mô hình
7

Hình 3.5. Dữ liệu đánh giá mơ hình
3.3.2

Kết quả nhận dạng mơ hình thuận

Mơ hình Fuzzy nhiều lớp áp dụng nhận dạng mô hình thuận bao gồm 2 mô hình
Fuzzy nhiều lớp MISO, mỗi khối mô hình Fuzzy MISO bao gồm nhiều mô hình
Fuzzy T-S 2 ngõ vào 1 ngõ ra được huấn luyện bằng giải thuật tiến hóa vi sai
tối ưu hàm mục tiêu bình phương sai số nhỏ nhất. Trong đó ngõ ra của mô hình
Fuzzy nhiều lớp MIMO ứng với giá trị mực nước tại 2 bồn ở vị trí thấp. Ngõ
vào mô hình Fuzzy nhiều lớp gồm các giá trị điện áp và giá trị mực nước trước
đó theo mô hình hồi tiếp NARX.
Giải thuật DE được áp dụng với các thông số sau: 200 cá thể trong quần thể,
vận hành với tối đa 750 thế hệ. Các thông số cr là hệ số lai ghép, được chọn
thông thường là 0.9, hệ số f quyết định sự khác biệt giữa các thế hệ, f càng nhỏ
thì sự thay đổi các thế hệ càng nhỏ, đối với hệ có nhiều biến, nên chọn f nhỏ, vì
vậy trong mô hình 90 biến này hệ số f được chọn là 0.01. Kết quả được đánh
giá qua phương pháp dự đoán.

8

Hình 3.6. Kết quả huấn luyện và đánh giá ngõ ra bồn 2
Hình 3.6 và Hình 3.7 cho thấy kết quả của quá trình huấn luyện và đánh giá mô
hình Fuzzy nhiều lớp đạt giá trị hàm chi phí cuôi cùng là 0.0113 với cr = 0.9, f
= 0.01 đối với ngõ ra x2.
Hình 3.7 cho thấy giá trị hàm chi phí trong quá trình huấn luyện mô hình. Giá
trị hàm chi phí đạt trị tối thiểu 0.0113 sau 625 thế hệ và giữ nguyên giá trị này
đến khi quần thể đạt tới thế hệ cuối cùng. thời gian tính toán khoảng 45 phút để
chạy hết 750 thế hệ trên CPU core i5 - 2.5Ghz.

Hình 3.7. Giá trị hàm chi phí qua các thế hệ cho ngõ ra x2
9

3.3.3 Kết quả nhận dạng mơ hình ngược
Tương tự như mô hình thuận, mô hình Fuzzy nhiều lớp MIMO ngược cũng
được tạo thành từ 2 mô hình Fuzzy MISO, mỗi mô hình Fuzzy nhiều lớp MISO
đại diện cho một ngõ ra, ngõ ra của mô hình ngược ở đây là giá trị điện áp điều
khiển ứng với các giá trị ngõ vào là giá trị mực nước và các giá trị điện áp trước
đó theo cấu trúc NARX. Mô hình MISO đầu tiên bao gồm 4 ngõ vào (x2[n],
x2[n-1], u1[n-1], u2[n-1]) và một ngõ ra (u1[n]). Mô hình MISO thứ 2 cũng có 4
ngõ vào (x4[n], x4[n-1], u1[n-1], u2[n-1]) và có một ngõ ra (u2[n]). Kết quả
được đánh giá bằng phương pháp dự báo.

Hình 3.8. Kết quả huấn luyện và đánh giá mô hình ngõ ra là điện áp bơm.
Giải thuật DE áp dụng cho nhận dạng mô hình ngược được chạy tối đa 1000 thế
hệ, 200 cá thể trong quần thể, cr = 0.9, f = 0.1;
Hình 3.8 cho thấy kết quả huấn luyện và đánh giá của mô hình Fuzzy nhiều lớp
nhận dạng mô hình ngược với ngõ ra là điện áp cấp cho động cơ bơm 1. Kết
quả cho thấy khi huấn luyện sai số lớn nhất khơng vượt quá 0.1V
3.4
3.4.1

Mơ hình PAM song song
Mơ hình PAM song song

PAM là một cơ cấu chấp hành sử dụng khí nén. Khi được cấp khi nén ở mức độ
cho phép, cơ cấu sợi PAM co lại và tạo ra lực. Khi không duy trì nguồn cung
cấp khí nén, cơ cấu PAM trở lại trạng thái ban đầu của nó. Bản thân cơ cấu
chấp hành PAM là một hệ có tính trễ [114]–[116] nên mơ hình PAM song song
cũng là một mô hình phù hợp để kiểm chứng các giải thuật trong luận án.
10

Hình 3.9. Sơ đồ khới mơ hình PAM song song thực tế
3.4.2

Thu thập dữ liệu vào ra

Dữ liệu thực tế được thu thập qua card PCI-6221 với Matlab/Simulink. Hai ngõ
vào là điện áp được cấp vào van điều khiển, 2 ngõ ra là góc theo rad được thu
thập qua 2 encoder 3600 xung/vịng để đảm bảo đợ chính xác.

Hình 3.10. Dữ liệu huấn luyện mô hình PAM

11

3.4.3 Kết quả huấn luyện mơ hình thuận – ngược
Mơ hình thuận được huấn luyện trong 10 lần với cùng một tập dữ liệu, khác
nhau ở các tham số khởi tạo
ban đầu. Kết quả huấn luyện
được thể hiện ở cùng mợt
hình, có thêm tín hiệu tham
chiếu để so sánh (Hình 3.11).
Dữ liệu ngõ ra thứ 2 không
có khác biệt nhiều so với dữ
liệu ngõ ra thứ nhất nên
không được thể hiện bằng
hình ảnh trong luận án.

Hình 3.11. Kết quả 10 lần
huấn luyện mô hình

Kết quả nhận dạng mô hình ngược tương tự như mô hình thuận, được huấn
luyện trên tập dữ liệu gồm 2000 mẫu, thực hiện 10 lần thí nghiệm huấn luyện
đánh giá để cho được kết quả
khách quan.

Hình 3.12 Kết quả 10 lần
huấn luyện mô hình ngược

12

Huấn lụn ghép tầng mơ hình Fuzzy nhiều lớp ứng dụng nhận dạng
hệ phi tuyến đa biến
Sơ đồ khối quá trình huấn luyện ghép tầng được thể hiện ở Hình 3.12. Mơ hình
3.5

đầu tiên được huấn lụn trước, sau đó các mô hình mới được tạo ra và thêm
vào kết hợp với mô hình đầu tiên.
First training

...

second training

Fuzzy T-S

Fuzzy T-S

New

n-th training

Fuzzy T-S

Fuzzy T-S

Fuzzy T-S

Core

sum

MISO

Fuzzy T-S

output

Core

Core

sum

...

Fuzzy T-S

Fuzzy T-S
output

sum

...

Fuzzy T-S

output

New

Hình 3.12. Quá trình huấn luyện ghép tầng
Kết quả được so sánh giữa phương pháp huấn luyện thông thường và phương
pháp huấn luyện ghép tầng (Bảng 3.1). Trong luận án, tác giả thực hiện phương
pháp huấn luyện ghép tầng với 3 tầng, thực hiện với 3 thuật toán PSO, GA, và
DE. Mỗi quá trình huấn luyện bao gồm 300 thế hệ. Như vậy, tổng cộng có 900
thế hệ. Các giải thuật được thực hiện trên laptop với CPU core i5-3210m.
Bảng 3.1. Bảng so sánh kết quả huấn luyện ghép tầng

GA
PSO
DE

42
42
42

Giá trị đầu
của
hàm

mục tiêu
4.6650
9.3350
3.2700

GA

21

0.6360

0.1640

300

PSO

21

0.4798

0.0861

300

DE

21

0.0750

0.0260

300

GA

21

0.1982

0.0566

300

PSO

21

0.4037

0.0564

300

DE

21

0.0496

0.0178

300

GA
PSO
DE

84
84
84

6.5000
6.0970
6.7250

0.5920
0.3079
0.0269

900
900
900

Số lượng
tham số
Cascade 1

Cascade 2

Cascade 3

Normal

13

Giá trị cuối
của
hàm
mục tiêu
0.1704
0.2478
0.0519

Số thế hệ
300
300
300

Thời gian
[Tổng] (s)
88.21
81.57
85.46
83.29
[171.50]
81.80
[163.37]
85.29

[170.75]
107.63
[279.13]
102.03
[256.40]
104.59
[275.34]
511.33
494.85
502.61

CHƯƠNG 4 ĐIỀU KHIỂN THÍCH NGHI HỆ PHI TUYẾN DÙNG MƠ
HÌNH FUZZY NHIỀU LỚP KẾT HỢP GIẢI THUẬT TỐI ƯU
4.1 Giới thiệu
Chương này tác giả đề xuất hai giải thuật điều khiển ứng dụng mô hình mờ
nhiều lớp kết hợp với giải thuật điều khiển thích nghi áp dụng vào điều khiển
các hệ phi tuyến. Đầu tiên là giải thuật điều khiển trượt mờ thích nghi
(AFSMC) mới. Giải thuật đề xuất cho kết quả tốt hơn và chính xác hơn so với
các giải thuật thích nghi thông thường, giải thuật Fuzzy-PID và PID khi áp
dụng cho hệ phi tuyến SISO không chắc chắn. Đối tượng thử nghiệm là mô
hình PAM 1 bậc, hệ SMD và hệ bồn nước với đặc tính phi tuyến cao.
Các nội dung thực hiện mới của chương được tóm tắt như sau:
•

Nhận dạng tham sớ mơ hình mờ bằng thuật toán tiến hóa vi sai dùng xấp xỉ
các hàm phi tún chưa biết trong mơ hình.

•

Xây dựng hàm thích nghi mới cho giải thuật điều khiển áp dụng cho hệ
SISO đảm bảo lý thuyết ổn định Lyapunov.

•

Áp dụng giải thuật điều khiển trượt mờ thích nghi điều khiển mô hình PAM
1-dof. So sánh giải thuật đề xuất với các thuật toán khác như: giải thuật
điều khiển trực tiếp, Fuzzy-PID và PID.

Tiếp theo là giải thuật điều khiển ngược thích nghi nâng cao. Với giải thuật
điều khiển ngược áp dụng mô hình Fuzzy nhiều lớp kết hợp với giải thuật thích
nghi cho ra bộ điều khiển có ưu điểm của giải thuật điều khiển tối ưu và thích
nghi. Kết quả giải thuật điều khiển đề xuất này được kiểm chứng trên hệ SMD
và hệ bồn nước liên kết. Ngoài ra còn so sánh với các nghiên cứu của các nhà
khoa học gần đây để làm nổi bật các ưu điểm của giải thuật.
Kết quả điều khiển của chương 4 được đăng trên các bài báo số [2a], [3a], [4a],
[7a] và [9a].
4.2

Giải thuật điều khiển trượt mờ nâng cao kết hợp giải thuật tối ưu

Từ các điểm yếu của giải thuật điều khiển trượt và các giải thuật thích nhi thông
thường, luận án đề xuất giải thuật điều khiển mờ thích nghi, sử dụng mô hình
T-S fuzzy để xấp xỉ hàm f(x,t) và g(x,t) , tiếp theo đó xây dựng mô hình mờ
14

thích nghi để triệt tiêu em* . Mô hình mờ thích nghi được xây dựng dựa trên lý
thuyết Lyapunov đảm bảo hệ thống phi tuyến không chắc chắn ổn định tiệm
cận. Giải thuật đề xuất có sơ đồ được thể hiện ở Hình 4.1. Trong đó, giải thuật

DE được sử dụng để tối ưu
các tham số mô hình mờ dùng
trong xấp xỉ hàm phi tuyến
f(x,t), g(x,t). Sau khi nhận
dạng, các thông tin về sai số
mô hình được sử dụng để xây
dựng mơ hình mờ thích nghi.
Hình 4.1. Sơ đồ giải thuật
điều khiển mờ thích nghi đề
xuất.
Kết quả điều khiển áp dụng trên hệ PAM

Hình 4.2. So sánh các giải thuật AFSMC, Fuzzy-PID, AF và PID
Và kết quả cho thấy bộ điều khiển AFSMC cho kết quả tốt nhất tại mọi thời
điểm khi so sánh với giải thuật AF, PID và Fuzzy-PID. Sự khác biệt giữa giải
thuật AFSMC và giải thuật là quá trình khởi động. Giải thuật AF khởi động với

15

các tham số không chắc chắn trong khi giải thuật AFSMC khởi động với các
tham số được nhận dạng từ giải tḥt tới ưu
4.3

Giải thuật điều khiển ngược thích nghi nâng cao kết hợp giải thuật
tối ưu

Giải thuật điều khiển ngược có nhiều ưu điểm khi tận dụng được khả năng của
các thuật toán tính toán mềm, không cần biết trước mô hình toán của đối tượng.
Tuy nhiên việc áp dụng vào thực tế còn gặp nhiều hạn chế vì các tham số không

chắn chắn và sự thay đổi tham số của mô hình. Trong các bài toán điều khiển
ngược, mô hình ngược chỉ đảm bảo được tính ổn định của hệ thống, rất khó để
đảm bảo hệ ổn định tiệm cận. Vì vậy cần thêm một giải thuật thích nghi để tăng
chất lượng của bộ điều khiển.
Mô hình Fuzzy nhiều lớp trong nhận dạng hệ phi tuyến có nhiều ưu điểm hơn
so với mô hình Fuzzy truyền thống, nhưng nó không thể tạo bằng kinh nghiệm
của người thiết kế hay thử sai. Nó chỉ có thể được tạo ra bằng cách sử dụng các
giải thuật tối ưu.
Phần này đề xuất mô hình Fuzzy nhiều lớp thích nghi để điều khiển hệ thớng
được thể hiện ở Hình 4.3 bằng cách kết hợp mô hình ngược Fuzzy nhiều lớp tối
ưu và mơ hình
Fuzzy thích nghi
được tạo ra thơng
qua chứng minh ổn
định Lyapunov.

Hình 4.3 Sơ đồ giải
thuật điều khiển đề
xuất

16

Kết quả áp dụng trên hệ SMD

Hình 4.4. Kết quả điều khiển hệ SMD và so sánh với các giải thuật khác
So sánh với kết quả điều khiển do Zhang đề xuất trong[119], [120], giải thuật
đề xuất cho thời gian xác lập nhanh hơn (0.2s so với 0.6s) và độ vọt lố ít hơn.
Các kết quả chi tiết được thể hiện trong Bảng 4.2.
Bảng 4.1. Kết quả so sánh các bộ điều khiển áp dụng trên hệ SMD.

Method
Inverse Fuzzy
Control (IFC)
Adaptive Fuzzy
Control (AFC)
Proposed
controller
(IFC+AF)

,K=50

LMSE
Case C:
0.3
,K=50

Case D:
0.3
,K=100

Case E:
0.3
,K=500

6.796e-3

6.796e-3

6.796e-3

6.796e-3

6.796e-3

1.219e-3

1.215e-3

1.189e-3

8.965e-4

7.118e-4

1.088e-3

1.085e-3

1.068e-3

8.599e-4

7.089e-4

Case A:
10
,K=50

Case B:

2

Bảng 4.2. So sánh chất lượng các giải thuật điều khiển áp dụng lên hệ SMD
Methods
Overshoot
Settling time Steady-state
(%)
(s)
error
Giải thuật của Wang [117] 70
7.8
0
(2017)
Giải thuật của Shen 25
5
0
[118](2019)
Giải thuật của Zhang 20
0.6
0
[119](2018)
17

Giải thuật của Zhang [120] 20
0.6
0
(2018)
0*
0.42*

0*
**
**
Giải thuật đề xuất
0
0.8
0**
0***
0.2***
0***
*
**
Note: Hệ SMD giống với bài báo [117]; : Hệ SMD giống với bài báo [118];
***
: Hệ SMD giống với bài báo [119], [120]
Kết quả áp dụng trên hệ bồn nước

Hình 4.5 So sánh các bộ điều khiển áp dụng cho hệ bồn nước liên kết
Bảng 4.3 So sánh chất lượng điều khiển với tiêu chuẩn MSE
Phương pháp
Inverse Fuzzy
Control (IFC)
Adaptive
Fuzzy Control
(AFC)
Giải thuật đề
xuất

Tiêu chuẩn trung bình bình phương sai số (MSE)
Case

A: Case
C: Case
B: Case
D:
0.3 ,
10 ,
2,
2,
K=5
K=20
K=5
K=5

Case

E:

2,
K=50

6.322

6.322

6.322

6.322

6.322

5.757

4.413

4.718

3.48

3.461

2.957

2.723

2.757

2.454

2.405

Từ Hình 4.5 và Bảng 4.3 cho thấy giải thuật đề xuất vượt trội không chỉ có đợ
vọt sớ và thời gian xác lập mà cịn về tiêu chuẩn MSE khi so với giải thuật điều
khiển thích nghi thông thường và giải thuật điều khiển ngược.

18

CHƯƠNG 5

KẾT LUẬN VÀ KIẾN NGHỊ

5.1 Kết luận
Trong luận án, tác giả đã nghiên cứu và phát triển mô hình mờ nhiều lớp phối
hợp với giải thuật điều khiển tối ưu trong nhận dạng hệ phi tuyến có trễ. Đối
với bài toán điều khiển tác giả đã kết hợp ưu điểm của giải thuật tối ưu và giải
thuật thích nghi để đề xuất ra 2 bộ điều khiển áp dụng thành công điều khiển hệ
phi tuyến có trễ trong mô phỏng và cả thực nghiệm. Các đóng góp chỉnh của tác
giả trong luận án được tóm tắt như sau:
•

Ý nghĩa khoa học

-

Đã nghiên cứu và phát triển thành công mô hình Fuzzy nhiều lớp bằng cách
kết hợp nhiều mô hình T-S Fuzzy. Mô hình Fuzzy nhiều lớp có ưu điểm về
số lượng luật mờ giảm đáng kể khi so sánh với mô hình Fuzzy truyền
thống. Mô hình Fuzzy nhiều lớp cịn có khả năng thay đổi linh hoạt tùy
theo đợ phức tạp của hệ thống cần nhận dạng. Kết quả của nghiên cứu này
được trình bày ở bài báo [5a], [6a].

-

Đã nghiên cứu và phát triễn thành công giải thuật huấn luyện ghép tầng áp
dụng cho việc huấn luyện mô hình Fuzzy nhiều lớp. Kết quả kiểm chứng
cho thấy giải thuật huấn luyện ghép tầng không chỉ cho kết quả nhanh hơn
so với phương pháp huấn luyện thống thường mà cịn cho chất lượng tớt
hơn. Kết quả nghiên cứu được trình bày ở bài báo [1a],[8a] và [10a].

-

Đã nghiên cứu và phát triển thành công giải thuật điều khiển trượt mờ nâng
cao kết hợp giải thuật tối ưu. Giải thuật điều khiển đề xuất lấy ý tưởng bắt
đầu từ mô hình Fuzzy nhiều lớp được áp dụng để nhận dạng các hàm phi
tuyến của hệ thống. Sau đó hàm Fuzzy thích nghi được thiết kế để bổ sung
cho giải thuật. Giải thuật thích nghi và tối ưu bổ sung cho nhau, vừa đảm
bảo hệ thống ổn định tiệm cận theo Lyapunov, vừa đảm bảo hệ thống thay
đổi linh hoạt với nhiễu ngoài và các yếu tố thay đổi không xác định. Kết
quả nghiên cứu này được trình bày ở bài báo [2a],[7a] và [9a].

-

Cuối cùng là đề xuất giải thuật điều khiển ngược thích nghi. Giải thuật này
gồm một mô hình ngược sử dụng mô hình Fuzzy nhiều lớp được huấn
19

luyện tối ưu kết hợp với mô hình Fuzzy thích nghi. Giải thuật điều khiển có
các ưu điểm của giải thuật tối ưu và thích nghi khi kết hợp cả 2 lại. Ưu
điểm của giải thuật tối ưu được thể hiện khi hệ không có thay đổi hoặc
không bị tác động. Khi hệ thống có sự thay đổi, luật điều khiển thích nghi
thể hiện ưu điểm của nó. Nhìn tổng thể, bản thân giải thuật điều khiển này
chính là một mô hình Fuzzy nhiều lớp với một phần được tính toán tối ưu
cố định và một phần được cập nhật thông qua luật thích nghi đảm bảo hệ
thống ổn định Lyapunov. Kết quả điều khiển còn được so sánh với các
nghiên cứu gần đây để chứng minh ưu điểm. Kết quả nghiên cứu này được
trình bày ở bài báo [3a] và [4a].
•

Ý nghĩa thực tiễn

-

Mơ hình Fuzzy nhiều lớp đã áp dụng trong nhận dạng hệ cánh tay máy
PAM song song và hệ bồn nước đôi cho thấy các ưu điểm của mô hình
Fuzzy nhiều lớp khi áp dụng vào nhận dạng. Số lượng luật mờ từ hàm số
mũ giảm xuống theo cấp số cộng, qua đó giảm chi phí tính toán, chi phí về
phần cứng khi áp dụng mô hình vào thực tiễn. Kết quả của nghiên cứu này
được trình bày ở bài báo [5a], [6a].

-

Kỹ thuật nhận dạng ghép tầng đã áp dụng vào nhận dạng mô hình fuzzy
nhiều lớp dùng trong nhận dạng mô hình hộp đen cho thấy giải thuật có ý
nghĩa rất lớn về thực tiễn khi thời gian tính toán và chất lượng hàm mục
tiêu giảm đáng kể so với phương pháp huấn luyện thông thường. Chất
lượng hàm mục tiêu và thời gian tính toán là các yếu tố quan trọng cần
quan tâm khi áp dụng một giải thuật nhận dạng tối ưu. Giải thuật nhận dạng
ghép tầng đã giải quyết cả hai yếu tố quan trọng đó. Kết quả nghiên cứu
được trình bày ở bài báo [1a],[8a] và [10a].

-

Giải thuật điều khiển trượt mờ nâng cao kết hợp giải thuật tối ưu đề xuất áp
dụng thành công trong thực tiễn điều khiển hệ tay máy PAM. Ý nghĩa thực
tiễn không chỉ ở mức điều khiển được, thông qua việc nhận dạng trước các
hàm phi tún trong hệ thớng cịn giúp tìm ra được cách chọn các hệ số
trong điều khiển mà không cần phải qua các bước thử sai hay cảm tính. Kết
quả nghiên cứu này được trình bày ở bài báo [2a],[7a] và [9a].
20

-

Giải thuật điều khiển ngược thích nghi được giới thiệu trong luận án đã áp
dụng điều khiển hệ bồn nước liên kết, hệ SMD. Ý nghĩa trong thực tiễn của
giải thuật ở quá trình kết hợp giải thuật tối ưu và giải thuật điều khiển thích
nghi khiến cho giải thuật điều khiển đạt chất lượng tốt hơn lúc khởi động và
hàm thích nghi đơn giản hơn, giảm chi phí tính toán. Kết quả nghiên cứu
này được trình bày ở bài báo [3a] và [4a].

•

Đánh giá tác đợng của các kết quả nghiên cứu

Tất cả các nghiên cứu, đề xuất cải tiến trong luận án đều được tác giả kiểm
chứng mô phỏng và thực nghiệm trên các đối tượng chuẩn thường sử dụng
trong các nghiên cứu cùng lĩnh vực hoặc trong công nghiệp. Các kết quả nghiên
cứu này đã được tác giả công bố trên các tạp chí và hội nghị uy tín như 4 bài
báo tạp chí quốc tế SCIE [1a-4a], 1 bài báo đăng tạp chí khoa học uy tín trong
nước [5a], 4 bài báo đăng ở hội nghị khoa học trong quốc tế uy tín [6a-9a], 1
bài bào đăng ở hội nghị khoa học quốc gia uy tín [10a]. Các thống kê này
chứng tỏ tính mới, độ tin cậy và ý nghĩa khoa học của các kết quả nghiên cứu
trong luận án.
5.2

Kiến nghị

Hướng tiếp cận sử dụng mô hình Fuzzy nhiều lớp trong nhận dạng và điều
khiển hệ phi tuyến bước đầu đạt được một số kết quả. Tuy nhiên, trong phạm vi

luận án tác giả chưa khai thác hết tiềm năng của mô hình đề xuất cũng như
chưa áp dụng vào các đối tượng thực tế trong cơng nghiệp. Ḷn án cịn tồn tài
mợt sớ hạn chế như:
-

Cấu trúc của mô hình Fuzzy nhiều lớp áp dụng trong nhận dạng phải được
chọn trước, chưa có cơ chế tự tái cấu trúc mạng. Việc xác định cấu trúc của
mô hình có thể gây mất thời gian hoặc khó khăn cho người sử dụng ban
đầu. Trong thực tế, cấu trúc của mô hình Fuzzy nhiều lớp dùng trong nhận
dạng mô hình phi tuyến khác nhau thì sẽ khác nhau. Trong luận án này
chưa đưa ra được quy tắc chọn cấu trúc cho mô hình Fuzzy nhiều lớp, việc
chọn cấu trúc hiện tại phụ thuộc vào kinh nghiệm chuyên gia.

-

Đối với các đề xuất giải thuật điều khiển, quy trình bắt buộc phải có khâu
nhận dạng hệ thống, mô hình nhận dạng phải điều khiển được hệ thống, hay
21

nói cách khác là không làm hệ thống mất ổn định sau đó mới có thể áp
dụng tiếp kỹ thuật điều khiển thích nghi. Các đối tượng sử dụng trong điều
khiển mới là các hệ SISO, chưa áp dụng cho hệ MIMO.
-

Các hệ số học trong nhận dạng và điều khiển vẫn chưa có quy tắc chọn lựa
rõ ràng, hầu hết đều qua phương pháp thử sai và dựa vào kinh nghiệm
chuyên gia.

Do đó, hướng tiếp cận mô hình Fuzzy nhiều lớp áp dụng cho nhận dạng và điều

khiển hệ phi tuyến cần tiếp tục nghiên cứu và phát triển:
-

Nghiên cứu giải thuật tự động điều chỉnh cấu trúc mô hình Fuzzy nhiều lớp
dùng trong nhận dạng và điêu khiển hệ phi tuyến.

-

Cải thiện cấu trúc mô hình Fuzzy nhiều lớp thêm đa dạng, áp dụng hiệu quả
hơn trong các bài toán nhận dạng và điều khiển.

-

Tinh chỉnh các tham số điều khiển một cách tự động, giảm phụ thuộc vào
kinh nghiệm chuyên gia trong việc thiết kế bộ điều khiển.

-

Với hàm thích nghi đơn giản, hệ thống giảm được khối lượng tính toán
nhiều, mở ra khả năng điều khiển cho các hệ MIMO phức tạp hơn.

22

CƠNG TRÌNH LIÊN QUAN TRỰC TIẾP ĐẾN LUẬN ÁN
[1a] Van Kien C., Anh, H. P. H., & Nam, N. T (2018). Cascade Training
Multilayer Fuzzy Model for Nonlinear Uncertain System Identification
Optimized by Differential Evolution Algorithm. International Journal of
Fuzzy Systems, June 2018, Volume 20, Issue 5, pp 1671–1684 (SCIE,
IF: 4.406)

[2a] Van Kien C, Son N. N., H.P.H Anh (2018). Adaptive Fuzzy Sliding
Mode Control for Nonlinear Uncertain SISO System Optimized by
Differential Evolution Algorithm, International Journal of Fuzzy Systems
(SCIE, IF: 4.406)
[3a] Van Kien, C., Anh, H. P. H., & Son, N. N. (2020). Inverse–adaptive
multilayer T–S fuzzy controller for uncertain nonlinear system optimized
by differential evolution algorithm. Soft Computing, 1-17. (SCIE, IF:
3.050)
[4a] Van Kien, C., Anh, H. P. H., & Son, N. N. (2020). Adaptive inverse
multilayer fuzzy control for uncertain nonlinear system optimizing with
differential evolution algorithm. Applied Intelligence, 1-22. (SCIE, IF:
3.325)
[5a] Cao Văn Kiên, Hồ Phạm Huy Ánh, “Nhận dạng hệ bồn nước đôi sử
dụng mô hình fuzzy nhiều lớp kết hợp giải tḥt tới ưu tiến hóa vi sai”,
Chuyên san điều khiển và tự động hoá sô 18, tháng 4 năm 2017, trang 2635.
[6a] Kien C.V, Anh H.P.H, “Identification of 2-DOF Pneumatic Artificial
Muscle System with Multilayer Fuzzy Logic and Differential Evolution
Algorithm”. in Proc. Conference IEEE-ICIEA-2017, SiemReap,
Campuchia – June/2017, pp. 1261-1266
[7a] Kien Cao Van, Huan Tran Thien, Thai Do Thanh, Anh Ho Pham Huy,
“Implementation of Adaptive Fuzzy Sliding Mode Control for Nonlinear
Uncertain Serial Pneumatic-Artificial-Muscle (PAM) Robot System”, in
Proceedings of The IEEE International Conference on Systems Science
and Engineering 2017 (IEEE ICSSE 2017), HCMUTE, Viet Nam –
July/2017, pp. 93-98
[8a] Van Kien, C., & Anh, H. P. H. (2017, August). Cascade Training
Multilayer Fuzzy Model for Identifying Nonlinear MIMO System. In
International Conference on Advances in Computational Mechanics (pp.
1017-1031). Springer, Singapore. DOI 10.1007/978-981-10-7149-2_71
[9a] Van Kien, C., & Anh, H. P. H. (2017, August). Enhanced Adaptive

Fuzzy Sliding Mode Control for Nonlinear Uncertain Serial Pneumatic
Artificial Muscle (PAM) Robot System. In International Conference on
Advances in Computational Mechanics (pp. 1033-1050). Springer,
Singapore. DOI: 10.1007/978-981-10-7149-2_72
23

Tóm tắt Luận án Tiến sĩ Nhận dạng và điều khiển hệ phi tuyến có trễ dùng mô hình Fuzzy nhiều lớp kết hợp giải thuật tính toán mềm

Tài liệu liên quan

Tài liệu bạn tìm kiếm đã sẵn sàng tải về